Verificações de Atenção em Pesquisas Online: O Que Ainda Funciona
Esta página é uma tradução do original em inglês, revisado por pares. Ver o original (EN)
attention check surveyAndrzej Szymkowiak · Última revisão: julho de 2026

TL;DR: Use duas camadas de verificação de atenção, não um único item "selecione cinco". Respondentes experientes de painéis reconhecem a verificação clássica, e em um estudo cerca de 61% das falhas nela foram recusa deliberada, não desatenção (Silber, Roßmann, & Gummer, 2022). Acrescente um item bogus escondido dentro de uma escala e alinhado aos itens dela ("Foi construída uma linha de metrô na Lua", resposta correta discordo totalmente). Fixe as regras de exclusão antes da coleta de dados. No Prolific, um estudo de cinco minutos ou mais exige mais de uma verificação reprovada antes de você poder rejeitar.
Você abre o arquivo de dados e vê que 30 dos seus 400 respondentes concluíram uma pesquisa de 12 minutos em menos de 4 minutos, todos eles passando no seu único item "por favor, selecione 'concordo'". A sua verificação de atenção funcionou? Este guia aborda o que é a resposta descuidada, quais verificações ainda a detectam em 2026, por que as verificações padrão estão perdendo força e o design que uso hoje nos meus próprios estudos: um item bogus camuflado que não pode ser respondido corretamente sem leitura. Termina com as regras da plataforma - o que você pode e não pode rejeitar no Prolific - e um exemplo de configuração pronto para adaptar.
O que é, de fato, a resposta descuidada
A resposta descuidada (ou "insufficient effort responding") significa responder sem ler - passar os olhos rapidamente, clicar em padrões ou deixar um bot fazer o trabalho. Ela aparece em duas formas distintas: resposta aleatória, que adiciona ruído, e resposta não aleatória, como o straightlining, que pode distorcer correlações e prejudicar a sua estrutura fatorial (Meade & Craig, 2012). Mesmo uma parcela modesta de respondentes descuidados pode mudar conclusões substantivas, motivo pelo qual a triagem já é prática padrão; a referência atual para toda a área é a revisão da Annual Review de Ward e Meade (2023).
As ferramentas de detecção dividem-se em duas famílias:
| Família | Exemplos | Quando funciona |
|---|---|---|
| Diretas (incorporadas na pesquisa) | itens instructed-response ("selecione cinco"), itens bogus ("nunca usei a internet") | detecta quem não lê em momentos específicos |
| Indiretas (calculadas posteriormente) | tempo de conclusão, straightlining / variância zero, índices de consistência intrapessoal | detecta padrões ao longo de toda a pesquisa |
Nenhuma das famílias é suficiente sozinha. Trabalho experimental recente constatou que os índices indiretos - especialmente a consistência intrapessoal - muitas vezes igualam ou superam os itens diretos (Goldammer et al., 2024), por isso um bom plano de triagem combina ambos.
O problema: os respondentes aprenderam as verificações clássicas
Os respondentes de painéis online não são ingênuos. Participantes frequentes já viram os paradigmas e medidas comuns muitas vezes (Chandler, Mueller, & Paolacci, 2014), e amostras de plataformas costumam superar os pools de sujeitos universitários nas verificações de atenção - mesmo em verificações inéditas que não poderiam ter visto antes, o que reflete uma atenção média genuinamente mais alta nessas amostras (Hauser & Schwarz, 2016). A familiaridade com verificações reutilizadas é a preocupação real e separada. A própria fonte de recrutamento já define um risco inicial diferente antes de qualquer verificação rodar, desde a familiaridade do painel até o tráfego de bots aberto - veja onde recrutar participantes de pesquisa e o que pode dar errado.
Dois achados recentes aguçam esse ponto. Primeiro, quando pesquisadores examinaram falhas num item clássico instructed-response, cerca de 61% pareceram ser não conformidade deliberada - respondentes que reconheceram a verificação e optaram por não seguir a instrução - em vez de desatenção genuína (Silber, Roßmann, & Gummer, 2022). Uma verificação trivial que respondentes experientes conseguem identificar pela sua forma mede conformidade, não atenção. Segundo, uma grande comparação de tipos de verificação constatou que a sua utilidade varia enormemente e recomendou priorizar verificações de memória e de resposta óbvia em vez de formatos como o clássico instructional manipulation check (Perfecto & O'Donnell, 2026).
A conclusão não é "abandone as verificações de atenção". É: não deixe que todas as suas verificações pareçam verificações.
Uma verificação que não pode ser respondida corretamente sem ler
O design que uso nos meus próprios estudos adiciona uma segunda camada ao lado do item instruído padrão: um item bogus camuflado dentro de uma escala. A afirmação é obviamente falsa para todos - sem conhecimento prévio, sem ambiguidade:
Foi construída uma linha de metrô na Lua.
A única resposta defensável é discordo totalmente (ou definitivamente não). O que faz o item funcionar não é a afirmação em si - é a camuflagem:
- Combine o formato. O item bogus fica dentro de uma grade Likert, usa a mesma escala de resposta e combina com os itens ao redor em extensão e construção gramatical. Um absurdo de uma linha entre itens de atitude de duas linhas é fácil de notar; um item alinhado não é.
- Combine a posição. Coloque-o no meio da pesquisa, dentro de um bloco de itens reais - não primeiro, não último, não sozinho numa página. Uma ressalva: as diretrizes do Prolific preferem verificações perto do início do estudo quando usadas como base para rejeitar pagamento, então uma verificação camuflada no meio da pesquisa é melhor tratada como critério de exclusão da análise (o respondente é pago, mas removido da análise) do que como rejeição de pagamento.
- Torne-a universalmente falsa. A afirmação deve exigir zero conhecimento e zero julgamento. "Nunca usei a internet" funciona numa pesquisa online; "A capital da Austrália é Sydney" não funciona (é uma pergunta de conhecimento, e as plataformas não a aceitarão como verificação de atenção).
- Cuidado com o ponto médio. Se a sua escala oferece uma opção neutra central, um respondente descuidado mas cauteloso pode escolhê-la para evitar ser identificado. A política do Prolific exige explicitamente que itens sem sentido usados para rejeição não tenham uma resposta neutra defensável - então use uma escala de resposta em que a resposta correta seja inequívoca, ou trate respostas no ponto médio como um sinal para revisão, não como rejeição automática.
Pontue o item bogus separadamente Pontue o item bogus separadamente e retire-o da escala. É um item de triagem, não um indicador do seu construto - nunca deixe que ele entre no composto ou carregue no fator numa CFA ou noutro modelo de mensuração. (Isso também evita que ele seja tratado como um item de codificação invertida por engano.)
O status honesto da evidência: ainda não existe um experimento direto e dedicado comparando verificações camufladas e abertamente triviais. A recomendação é uma inferência - verificações encobertas são recomendadas em vez de abertas (Muszyński, 2023), a não conformidade deliberada mostra que verificações reconhecíveis deixam de medir atenção (Silber et al., 2022), e o formato do item comprovadamente importa para a detecção (Goldammer et al., 2024). Nos meus próprios estudos, uso isso como uma camada entre várias: itens de verificação de atenção mais critérios de tempo e variância, com as exclusões relatadas no artigo (Szymkowiak & Antoniak, 2024; Szaban, Szymkowiak, & Zdziennicka, 2025).
Defina as regras antes que os dados cheguem
Regras de exclusão definidas depois de ver os dados são um "garden of forking paths" (jardim de caminhos que se bifurcam): fazer muitas escolhas pequenas e aparentemente defensáveis até o resultado se tornar significativo - cada escolha pequena parece inocente, mas com discricionariedade suficiente você pode "limpar" o caminho até a significância. Três regras mantêm a triagem honesta:
- Escreva os critérios antes da coleta de dados - quais verificações, quantas falhas, qual limiar de tempo, o que acontece com os casos limítrofes sinalizados. Os limiares de tempo devem vir de um piloto (por exemplo, 40% da mediana do piloto), não de um palpite.
- Relate a triagem no artigo - quantos foram excluídos, por qual critério, em qual ordem. Os meus próprios estudos relatam as contagens de exclusão por critério (por exemplo, Szaban, Szymkowiak, & Chwialkowska, 2025), e os revisores esperam cada vez mais esse nível de detalhe.
- Saiba que a exclusão é análise, não uma tarefa administrativa. Excluir participantes pode enviesar a estimativa de um efeito de tratamento quando a atenção está relacionada à condição ou ao resultado (Mathur, 2025). Ao mesmo tempo, ignorar a atenção por completo pode esconder efeitos reais (Roth & Yakobi, 2024). O meio-termo defensável: regras pré-especificadas, análises de sensibilidade com e sem exclusões, e nenhuma invenção de regras depois de ver os resultados.
Uma preocupação mais antiga pode ser parcialmente descartada: dois estudos não encontraram evidência de que a presença de verificações de atenção distorça as médias das escalas ou a estrutura de mensuração (Kung, Kwok, & Brown, 2018), embora lembretes de atenção possam, em alguns grupos, empurrar as respostas na direção da desejabilidade social (Clifford & Jerit, 2015). Verificações incorporadas discretamente nas escalas não introduzem nenhum lembrete, o que contorna essa preocupação - mais um argumento a favor da camuflagem em vez do confronto. A mesma lógica de priorizar o design aplica-se ao viés do método comum: as soluções que mais importam acontecem antes da coleta de dados, não depois - veja viés do método comum: prevenção vale mais que detecção →.
O que você pode rejeitar no Prolific (e o que não pode)
As regras da plataforma fazem parte do método. A política atual do Prolific (central de ajuda para pesquisadores, acessada em julho de 2026) permite a rejeição de pagamento em exatamente dois tipos de verificação de atenção: itens instructed-response e itens sem sentido (bogus) com uma resposta objetivamente correta. Verificações de compreensão, perguntas de memória e itens subjetivos não são motivos válidos de rejeição - e, por uma questão de justiça, você não deve rejeitar com base em critérios que os participantes nunca souberam. Para estudos de cinco minutos ou mais, um participante precisa falhar em mais de uma verificação antes que você possa rejeitá-lo; abaixo de cinco minutos, uma falha basta. Se você recrutar pelo Prolific, incorpore essas regras ao estudo antes do lançamento - uma rejeição que viole a política custa a taxa de qualquer forma, mais um recurso, mais a sua pontuação de reputação. Reserve orçamento também para exclusões: se espera remover 5–10%, recrute acima do tamanho da amostra que a sua análise exige.
Um exemplo de configuração
Uma pesquisa de consumo de 12 minutos com dois blocos de escala Likert, N = 400 como alvo:
- Um item instructed-response no início ("Para controle de qualidade, por favor selecione 'discordo em parte' para esta afirmação.") - a camada padrão.
- Um item bogus camuflado no meio da pesquisa, dentro do segundo bloco de escala, alinhado em extensão e formato ("Foi construída uma linha de metrô na Lua.").
- Critério de tempo definido a partir do piloto: sinalizar conclusões mais rápidas que, por exemplo, 40% da mediana do piloto.
- Critério de variância: sinalizar blocos de escala com variância zero (straightlined).
- Regra de decisão, fixada com antecedência: a rota padrão - pagar todos e excluir da análise quem falhar em ambas as verificações incorporadas ou falhar numa e ainda acionar um sinal de tempo/variância. Esta é a opção mais limpa e contorna a ressalva de posicionamento acima: como o item bogus fica no meio da pesquisa, e não perto do início, é mais seguro tratá-lo como critério de exclusão da análise do que como motivo de rejeição de pagamento. Uma variante mais estrita que algumas equipes usam, em conformidade com a política do Prolific: rejeitar o pagamento de respondentes que falharem em ambas as verificações incorporadas (duas falhas, o que está em conformidade com a política para um estudo desta duração). Use essa variante com cautela e documente-a claramente, pois depende do cumprimento dos requisitos de posicionamento e de múltiplas falhas da plataforma. Todas as contagens são relatadas no artigo de qualquer forma.
Uma frase de seção de método para adaptar:
A qualidade dos dados foi triada com duas verificações de atenção incorporadas (um item instructed-response e um item bogus), um critério de tempo de conclusão definido em 40% da mediana do piloto e um critério de variância zero para os blocos de escala; todas as regras foram definidas antes da coleta de dados. De 431 participantes, 12 falharam em ambas as verificações incorporadas e mais 19 atenderam a pelo menos um critério de exclusão; todos os 31 foram pagos e removidos da análise, restando N = 400.
Erros comuns a evitar
- Confiar num único item "selecione X" - respondentes experientes o reconhecem, e alguns falham nele de propósito.
- Usar perguntas de armadilha, de memória ou de conhecimento como verificações - elas medem a coisa errada e violam as políticas de rejeição de pagamento das plataformas.
- Escrever as regras de exclusão depois de ver os dados - isso é um researcher degree of freedom (grau de liberdade do pesquisador), não controle de qualidade.
- Rejeitar pagamento por falhas que a sua plataforma não aceita como motivo (verificações de compreensão, uma falha num estudo longo).
- Dar ao item bogus uma resposta central defensável e depois rejeitar os respondentes que a escolheram.
- Empilhar tantas verificações que os respondentes atentos se sintam vigiados em vez de confiáveis - as verificações também comunicam desconfiança.
Perguntas frequentes
Quantas verificações de atenção uma pesquisa deve ter?
Para uma pesquisa típica de 10–15 minutos, duas verificações incorporadas bastam quando combinadas com critérios de tempo e variância - a política da plataforma no Prolific já exige mais de uma falha antes da rejeição em estudos com cinco minutos ou mais. Mais verificações acrescentam pouco poder de detecção e podem irritar respondentes atentos.
O que é um item bogus?
Uma afirmação factualmente falsa para qualquer respondente possível ("Foi construída uma linha de metrô na Lua"), avaliada na mesma escala dos itens reais. Responder qualquer coisa que não seja discordância sinaliza que o respondente não a leu. Não exige conhecimento nem julgamento - isso a distingue de perguntas de armadilha ou de quiz, que não são verificações válidas.
As verificações de atenção prejudicam a qualidade dos dados?
As evidências disponíveis indicam que as verificações em si não distorcem as médias das escalas nem a estrutura de mensuração (Kung, Kwok, & Brown, 2018), mas excluir respondentes pode enviesar as estimativas quando feito sem regras pré-especificadas (Mathur, 2025). Defina as regras primeiro, relate-as e rode a sua análise com e sem exclusões.
Por que não usar simplesmente o item clássico "selecione cinco"?
Porque respondentes experientes de painéis o reconhecem: uma parcela substancial das falhas nesses itens é recusa deliberada, não desatenção (Silber, Roßmann, & Gummer, 2022). Mantenha um como primeira camada, mas combine-o com um item bogus camuflado que não pode ser respondido corretamente sem leitura.
A Explonia pode adicionar verificações de atenção à minha pesquisa?
Sim. Você adiciona itens instructed-response ou bogus como itens de escala comuns em qualquer bloco, então eles herdam a mesma aparência e escala de resposta das perguntas ao redor - a camuflagem que este artigo recomenda. Combinado com exclusões na triagem, limites de resposta e dados de tempo de conclusão, você pode aplicar as suas regras de exclusão pré-registradas diretamente na análise; a galeria de exemplos inclui uma demonstração de exclusão na triagem.
References
Chandler, J., Mueller, P., & Paolacci, G. (2014). Nonnaïveté among Amazon Mechanical Turk workers: Consequences and solutions for behavioral researchers. Behavior Research Methods, 46(1), 112–130. https://doi.org/10.3758/s13428-013-0365-7
Clifford, S., & Jerit, J. (2015). Do attempts to improve respondent attention increase social desirability bias? Public Opinion Quarterly, 79(3), 790–802. https://doi.org/10.1093/poq/nfv027
Goldammer, P., Stöckli, P. L., Escher, Y. A., Annen, H., Jonas, K., & Antonakis, J. (2024). Careless responding detection revisited: Accuracy of direct and indirect measures. Behavior Research Methods, 56(8), 8422–8449. https://doi.org/10.3758/s13428-024-02484-3
Hauser, D. J., & Schwarz, N. (2016). Attentive Turkers: MTurk participants perform better on online attention checks than do subject pool participants. Behavior Research Methods, 48(1), 400–407. https://doi.org/10.3758/s13428-015-0578-z
Kung, F. Y. H., Kwok, N., & Brown, D. J. (2018). Are attention check questions a threat to scale validity? Applied Psychology, 67(2), 264–283. https://doi.org/10.1111/apps.12108
Mathur, M. B. (2025). On the statistical analysis of studies with attention checks. Advances in Methods and Practices in Psychological Science, 8(2). https://doi.org/10.1177/25152459251338041
Meade, A. W., & Craig, S. B. (2012). Identifying careless responses in survey data. Psychological Methods, 17(3), 437–455. https://doi.org/10.1037/a0028085
Muszyński, M. (2023). Attention checks and how to use them: Review and practical recommendations. Ask: Research and Methods, 32(1), 3–38. https://doi.org/10.18061/ask.v32i1.0001
Perfecto, H., & O'Donnell, M. (2026). The use and usefulness of attention checks in behavioral research. Journal of Consumer Research, 53(1), 182–200. https://doi.org/10.1093/jcr/ucaf058
Roth, Y., & Yakobi, O. (2024). Attention! Do we really need attention checks? Journal of Behavioral Decision Making, 37(2), e2377. https://doi.org/10.1002/bdm.2377
Silber, H., Roßmann, J., & Gummer, T. (2022). The issue of noncompliance in attention check questions: False positives in instructed response items. Field Methods, 34(4), 346–360. https://doi.org/10.1177/1525822X221115830
Szaban, M., Szymkowiak, A., & Chwialkowska, A. (2025). Breaking barriers: Navigating the stages of the green consumer journey. Environment, Development and Sustainability, 28(5), 13087–13124. https://doi.org/10.1007/s10668-025-06795-z
Szaban, M., Szymkowiak, A., & Zdziennicka, A. (2025). Unpacking consumer price perceptions: The role of sustainability and ethical labels in the cosmetics market. Journal of Cleaner Production, 490, 144730. https://doi.org/10.1016/j.jclepro.2025.144730
Szymkowiak, A., & Antoniak, M. A. (2024). Eco-endorsement dynamics: Unraveling the influence of celebrity attitudes on eco-product perceptions and purchase decisions. International Journal of Wine Business Research, 36(3), 453–472. https://doi.org/10.1108/IJWBR-11-2023-0068
Ward, M. K., & Meade, A. W. (2023). Dealing with careless responding in survey data: Prevention, identification, and recommended best practices. Annual Review of Psychology, 74, 577–596. https://doi.org/10.1146/annurev-psych-040422-045007
Como a Explonia faz isso por você
Na Explonia, as verificações de atenção são itens comuns: você coloca um item instructed-response ou bogus dentro de qualquer bloco de escala, e ele automaticamente herda a escala de resposta e o layout do bloco — a camuflagem que este artigo recomenda, sem nenhum widget especial que denuncie a verificação. Exclusões na triagem, limites de resposta e tempos de conclusão por respondente já vêm incorporados, para que as suas regras de exclusão pré-registradas possam ser aplicadas e relatadas de forma transparente na análise. Se você escrever os seus próprios itens, teste-os primeiro com o guia de redação de itens, e veja a demonstração de exclusão na triagem na galeria. A funcionalidade "Article description" redige o rascunho do seu parágrafo de resultados a partir do conjunto de dados final e triado — você continua sendo o autor e edita cada palavra.
Pronto para coletar dados que você possa defender? Construa a sua pesquisa com verificações de atenção e exclusões na triagem incorporadas na Explonia. Comece grátis →
Como citar este artigo
Se este artigo ajudou sua pesquisa, você pode citá-lo (APA 7):
Szymkowiak, A. (2026). Verificações de Atenção em Pesquisas Online: O Que Ainda Funciona. Explonia. https://explonia.com/pt/blog/attention-checks-online-surveys/
Last updated: julho 2026
Rode todo o seu estudo em um só lugar
Planeje, colete os dados e rode CFA e SEM de verdade nos seus próprios dados — com um parágrafo APA que você pode editar. Comece grátis.
Começar grátis